深度学习

最近在研究自动驾驶方面的一些知识，接触到了人工智能，机器学习和深度学习等概念，在这里梳理一下。这三个概念关联性非常强，经常会同时听到，但是它们之间到底有什么区别和联系呢？

“人工智能”一词是上个世纪50年代，在达特茅斯大学举办的夏季会议上，由一名年轻的计算机科学家约翰·麦卡锡提出来的。“人工智能”是与人类智能相对的一个概念，简单来说就是用工程化的方法来模拟人类某些方面的智能，这是一个非常宽泛的概念。

“机器学习”是“人工智能”的一个子集，包括深奥的统计学技术，使机器能够根据经验改进任务。上个世纪80年代开始机器学习开始繁荣起来，最早得到广泛应用的一个例子就是反垃圾邮件。早期的反垃圾有件技术只能拦截50%的垃圾邮件，通过机器学习算法分析大量的数据并得出特定的模式，结果是全面加强了防御，拦截了大约95%的垃圾邮件。

“深度学习”是“机器学习”的一个子集，它是由一系列的算法组成的，这些算法可以让软件自己进行训练来完成任务，例如语音和图像识别，这需要深度神经网络以及大量的数据。“深度学习”也就大概从2010才开始流行起来，极大的促进了“人工智能”的发展。

“机器学习”和“深度学习”最大的一个不同点是在于机器学习需要人的参与，需要专业领域的专家提前对数据进行处理，从复杂的数据中先把模式提取出来，这样便于机器进行学习，而深度学习呢，就不需要专家提取模式的这一个步骤，从流程上来说减少了人的参与。

第二点就是机器学习实际上要把一个问题拆分成很多部分进行解决，然后再合并到一起获得最终结果而深度学习是一个端到端的解决方案，也就是说你只需要给它输入数据就行了，然后就可以得到最终的结果，中间不需要人的参与。

第三点可以说是深度学习的一个缺点，就是其学习的时间可能会非常长，例如几天，甚至几周时间，也就是说深度学习对于计算性能的要求非常高，进行深度学习神经网络的训练需要高性能的计算资源。

最后一点就是深度学习实际上是一个黑盒子，就好像老师给你出一道题，你反馈给了老师一个正确的答案，但是他不知道你这个结果是具体是怎么求解出来，这个一点也恐怕是深度学习最大的一个缺陷。

“深度学习”在最近的这10年开始爆发，有很多原因，其中最主要的有三个，第一个就是因为从90年底大量互联网公司的建立通过10多年的发展积累了大量的数据，第二就是高性能的计算资源，例如英伟达的高性能GPU计算机，谷歌的TPU人工智能芯片的出现，最后一点就是相关的软件，例如谷歌的TensorFlow等大量的开源软件，让企业和个人能更容易的使用深度学习这个工具。

深度学习已经被广泛的应用于图像处理，语音识别，自然语言处理，自动驾驶等非常多的领域，这个技术离我们的日常生活非常近。当你在机场安检，入住酒店是可能都接受过人脸识别，背后很可能使用的就是深度学习。当你在进行语音转文字时，背后很可能使用的就是深度学习技术，未来的全自动驾驶汽车更是缺少不了深度学习的参与。